superpixel_color_texture_features — SEGMENTATION `plant` op

• Datenarten: rgbimage × labels2d → table

• Aufruf: import fullseye as fs; fs.ledger.superpixel_color_texture_features(rgb, labels, *, dark_floor: 'float' = 0.02, texture_sigma: 'float' = 1.0, min_size: 'int' = 4) -> 'Dict[str, object]' (die Implementierung direkt: import cropweed; cropweed.superpixel_color_texture_features(rgb, labels, *, dark_floor: 'float' = 0.02, texture_sigma: 'float' = 1.0, min_size: 'int' = 4) -> 'Dict[str, object]'; aus dem Register: opssegmentation.get("superpixel_color_texture_features"))

Verwendung

Zehn Farb- (Pflanzenindizes, Chromatizität) und Texturmerkmale (Gradient, Orientierungskohärenz) für jede Region eines Labelbildes.

rgb ist (H, W, 3) (gleiche Regeln wie plant_color_index); labels ist ein ganzzahliges Bild gleicher Größe (0 = ignorieren, ab 1 = Regionen; Superpixel oder ein Raster sind beide möglich). Die Spalten folgen FEATURE_NAMES:

Mittelwerte von ExG, ExGR und CIVE, Mittelwerte der Chromatizität r und g, Mittelwert und Standardabweichung der Helligkeit (Mittel von RGB), mittlerer Betrag des Gauß-Gradienten der Helligkeit (σ = texture_sigma), Orientierungskohärenz des Strukturtensors coherence = √((Jxx − Jyy)² + 4Jxy²)/(Jxx + Jyy) (über die Region summierter Tensor; 1 = eine Richtung, 0 = isotrop), Standardabweichung von ExG. Farbmerkmale mitteln nur Pixel, die mindestens so hell wie dark_floor sind. Regionen mit weniger als min_size Pixeln und Regionen ohne Pixel mit definierter Chromatizität erhalten keine Zeile und werden mit Begründung in dropped_ids geführt (der Mittelwert wird nicht mit 0 oder NaN aufgefüllt).

Rückgabe: X (N, 10), names, ids (Regionsnummer je Zeile), sizes, centroids ((N, 2) [row, col]), dropped_ids, texture_sigma. Leere Eingabe, abweichende Form, negative Labels und null verbleibende Regionen werden mit ValueError abgelehnt.

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie halcon_segmentation

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_weed_rice_ratio — py -3.11 examples/poc_weed_rice_ratio.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

class_ndim_norm · fisher_lda_score

Gleiche Kategorie (`plant`)

plant_color_index · cover_ratio_grade

*Provenance: cropweed.py — SEGMENTATION Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

superpixel_color_texture_features — SEGMENTATION plant op